AI에 직원당 월 33.67달러 쓴 기업, 2년 새 신입 12% 더 뽑았습니다

논문의 제1저자인 Ramp 수석 이코노미스트 아라 카라지안(Ara Kharazian)이 한국 시각 6월 30일 밤 X에 올린 첫 게시물입니다. 첫 줄에 이제야 AI가 일자리를 없애지 않는다고 말할 수 있게 됐다고 쓰고, 파이낸셜타임스가 그린 도표를 붙였습니다. 도표의 붉은 곡선(AI를 많이 쓴 기업)은 도입 뒤 몇 달이 지나서야 위로 갈라지고, 파란 곡선(적게 쓴 기업)은 0 근처를 맴돕니다. 같은 타래의 다음 게시물은 「먼저 의심부터 하라」는 문장으로 시작합니다.

이 논문이 나오기 전까지 AI와 일자리 논쟁에서 가장 많이 인용된 숫자는 스탠퍼드 디지털경제연구소의 「탄광 속 카나리아(Canaries in the Coal Mine)」 연구였습니다. 미국 최대 급여 대행사 ADP의 자료로 AI 노출이 높은 직종의 22~25세 고용이 상대적으로 16% 줄었다고 본 연구입니다. 논문 서론에도 기업 경영진이 해고를 AI 도입과 연결해 말하고, AI를 만드는 회사들은 대량 실업 경고와 전례 없는 부의 전망을 오간다는 문장이 있습니다. Ramp 논문은 신입을 두고 반대 방향의 숫자를 냈습니다.

설문 대신 결제 내역을 셌습니다

AI와 고용을 다룬 연구는 지금까지 두 가지 방법에 기댔습니다. 회사에 AI를 쓰느냐고 묻는 설문과, 직업별로 AI가 대신할 수 있는 업무의 비중을 추정한 노출도 점수입니다. 카라지안은 공개 편지에서 기존 연구가 추측과 설문, 노출 점수, 이해관계가 얽힌 논평을 섞어 써 왔다고 적었습니다. 노출도 점수로는 같은 직원을 둔 두 회사 가운데 어느 쪽이 실제로 AI를 샀는지 가를 수 없습니다.

Ramp는 기업 고객의 법인카드와 대금 결제를 처리합니다. 연구진은 이 결제 내역에서 오픈AI·앤트로픽 같은 모델 회사, GPU 클라우드, 모델 서빙, 코딩 에이전트, API 토큰, AI 이미지·영상·검색 서비스에 나간 돈을 골라냈습니다. 인원은 Revelio가 공개 경력 프로필 수백만 건으로 만든 월별 기록을 썼고, 두 자료를 회사 도메인으로 이었습니다. 기간은 2021년 1월부터 2026년 2월까지입니다. Ramp 결제가 6개월 연속 월 5,000달러를 넘은 회사부터 분석 대상에 넣었고, 그 뒤에도 결제 5,000달러와 인원 5명을 넘는 달만 셌습니다.

AI 도입 시점은 AI 결제가 3개월 연속 매달 100달러를 넘긴 첫 달로 잡았습니다. 직원 한 명이 한 번 결제해 보고 만 경우를 거르기 위한 기준입니다. 이 기준으로 2025년 말까지 도입한 회사는 표본의 약 4분의 1이었습니다.

같은 「AI 도입」을 두고 숫자가 17%에서 78%까지 벌어집니다. 논문은 Ramp 결제를 돈을 낸 흔적이 남은 도입으로 보고, 이 자료의 쓸모를 회사마다 도입 시점과 강도를 직접 잡아내는 데서 찾았습니다.

비교 상대는 아직 도입하지 않은 회사입니다

AI를 산 회사와 끝내 사지 않은 회사를 그대로 견주면 결과가 부풀려집니다. 아래 그림은 도입 직전 달의 인원을 100으로 놓고 두 집단을 그린 것입니다. 도입 기업은 도입 12개월 전 96 근처에서 출발해 이미 오르고 있었고, 끝내 도입하지 않은 기업은 100 근처에서 거의 움직이지 않았습니다.

그래서 연구진은 비교 상대를 나중에 도입하게 될 회사로 바꿨습니다. 먼저 도입한 회사를, 같은 달에는 아직 도입하지 않았고 나중에 도입하게 될 같은 강도 집단의 회사와 견줍니다. 경제학에서 시차를 둔 이중차분법(Callaway-Sant'Anna)이라고 부르는 설계입니다. 아래 그림에서 도입 전 12개월 동안 두 곡선은 거의 겹칩니다. 연구진은 이 겹침을, AI 도입이 없었다면 두 집단이 같은 속도로 컸을 것이라는 가정의 근거로 씁니다.

도입 기업은 다시 지출 강도로 나뉩니다. 도입 첫 3개월 동안 쓴 AI 비용을 도입 직전 달 인원으로 나눠 직원당 월 지출을 구하고, 상위 3분의 1을 고강도, 나머지를 저강도로 묶었습니다. 연구진은 총지출, 지출 비중, 쓰는 공급사 수도 시험했고, 직원당 지출이 코딩 에이전트와 API 같은 복잡한 제품의 도입과 가깝게 움직였다고 밝혔습니다. 첫 3개월 지출은 2년 뒤 실제 지출과도 거의 같이 움직였습니다.

고강도의 기준도 높지 않습니다. 고강도 기업의 직원당 월 33.67달러는 월 20달러짜리 ChatGPT Plus 구독 1.7개 값이고, 저강도 기업의 2.78달러는 구독 하나의 7분의 1 정도입니다. 카라지안도 편지에서 상위 3분의 1조차 직원당 월 30달러 안팎에서 시작했고 수천 달러를 쓴 것은 아니라고 적었습니다.

상위 3분의 1만 늘었고, 반년 뒤부터였습니다

도입 기업 전체로 보면 인원은 아직 도입하지 않은 기업보다 평균 4.5% 많았습니다. 이 평균을 강도로 쪼개면 고강도 기업이 10.2%, 저강도 기업이 -0.6%입니다. 저강도 쪽의 -0.6%는 오차 범위 안이라 변화가 없다고 봅니다. 도입 기업의 3분의 2에서는 AI를 산 뒤에도 인원 추세가 그대로였습니다.

10.2%는 도입 달부터 24개월째까지 효과를 평균 낸 값입니다. 달별로 보면 증가는 늦게 시작해 갈수록 커집니다.

논문의 계수는 로그 포인트(0.071, 0.188, 0.277, 0.452)이고, 표의 백분율은 이를 환산한 값입니다. 24개월째 수치는 그만큼 오래 관찰된 회사가 적어 신뢰구간이 넓습니다. 연구진은 이 모양을 학습 곡선으로 해석했습니다. 쓸 곳을 찾고, 팀 안에 방법이 퍼지고, 업무 흐름에 붙은 뒤에야 새 일을 벌이고 사람을 뽑는다는 설명입니다. 몇 달짜리 시범 사업이나 기업용 챗봇 구독 하나로는 이 효과가 나오지 않는다는 것이 논문의 결론입니다.

신입 비중은 저강도 기업에서 줄었습니다

고강도 기업의 신입(Revelio의 7단계 직급 분류에서 1~2단계) 인원은 12.0% 늘어 전체 인원보다 빨리 늘었습니다. 그래서 도입 뒤 24개월 동안 전체 인원 가운데 신입 비중이 평균 1.15%포인트 올랐고, 관리자 이상(직급 4~7단계) 비중은 1.52%포인트 내려갔습니다.

저강도 기업은 반대로 움직였습니다. 신입 비중이 0.52%포인트 내려갔고, 이 하락은 5% 수준에서 통계적으로 유의했습니다. Revelio는 이 결과를 두고, 고강도와 저강도를 가르지 못한 다른 연구들(자기들의 이전 연구도 포함)이 신입을 실제로 덜 뽑는 저강도 도입 기업의 신호를 잡았을 수 있다고 적었습니다. 도입 기업의 3분의 2는 저강도 쪽입니다.

카라지안은 이 결과를 고강도 기업이 다른 종류의 사람을 뽑기 시작한 첫 증거로 봤습니다. 지금까지 확인한 결과 가운데 고강도 기업이 다른 지원자를 고른다는 사례는 이것 하나뿐이라고 적었습니다.

우리는 이 회사들이 새로운 능력, 그러니까 AI를 쓸 줄 알고 잘 쓰는 사람을 골라 뽑는다고 봅니다. 신입, 특히 갓 졸업한 사람과 대학생은 그런 사람을 찾기에 자연스러운 곳입니다.— 아라 카라지안, Ramp 수석 이코노미스트

다만 이 해석은 저자의 추론입니다. 신입 증가 추정치는 1% 수준에서 유의했지만, 신입이 왜 늘었는지는 논문이 따로 검증하지 않았습니다.

스탠퍼드의 16%와 Ramp의 12%는 다른 것을 쟀습니다

저는 2025년 8월 스레드에서 스탠퍼드 연구를 22~25세 고용 13% 감소로 소개했습니다. 브리뇰프슨(Erik Brynjolfsson) 교수 팀은 11월 13일 개정판에서 이 수치를 16%로 고쳤고, 22~25세 소프트웨어 개발자 고용은 2022년 말 정점보다 2025년 9월 기준 20% 가까이 줄었다고 적었습니다. Ramp 논문이 인용한 것도 이 16%입니다.

두 연구는 신입을 서로 다른 기준으로 나눴습니다. 스탠퍼드 연구는 같은 회사 안에서 노출이 높은 직종과 낮은 직종을 견주고, 회사가 AI를 실제로 샀는지는 모릅니다. 저자들도 기업 단위 도입 자료가 없다는 점을 주된 한계로 꼽았습니다. 카라지안은 편지에서 스탠퍼드의 한 논문이 이상적인 자료로 기업 지출 데이터를 꼽으며 Ramp 데이터를 직접 언급했다고 썼습니다. Ramp 연구는 회사 단위 도입을 직접 잡은 대신, 도입 기업끼리 견주는 설계라서 AI를 사지 않은 회사의 고용과 경제 전체의 순증감은 알 수 없습니다.

두 결과는 함께 성립할 수 있습니다. 도입 기업의 3분의 2인 저강도 기업에서 신입 비중이 줄었고, Revelio의 설명대로라면 노출도로 잰 연구에는 이런 회사가 섞여 들어갑니다. 신입이 늘어난 곳은 도입 기업 가운데 직원당 지출 상위 3분의 1에 드는 회사들입니다.

늘어난 직무 가운데 운영만 빠졌습니다

고강도 기업의 인원 증가는 한 직무에 몰리지 않았습니다. 논문이 따로 잰 직무 9개 가운데 운영을 뺀 8개에서 인원이 늘었습니다(마케팅과 재무는 약하게 유의).

AI가 먼저 대신할 것으로 꼽히던 고객서비스와 행정도 늘었습니다. 논문은 어떤 직무가 AI에 노출됐다고 여겨지는 정도와 그 직무 인원의 증감 사이에 뚜렷한 상관이 보이지 않았다고 적었습니다. 학력별로는 학사 학위자가 10.3%, MBA가 5.0% 늘었고 법학 학위자(JD)는 거의 그대로였습니다. 학사와 MBA 추정치에는 도입 전 추세가 어긋난 달이 여럿 있어 연구진도 조심스럽게 다뤘습니다.

이 표는 인원 수만 셉니다. 고객서비스 인원이 6.3% 늘었어도 그 사람들이 전과 같은 일을 하는지는 이 자료로 알 수 없습니다.

애초에 다른 회사들이었습니다

도입 기업과 끝내 도입하지 않은 기업은 출발부터 달랐습니다. 논문 표 2는 도입 직전 달의 도입 기업 5,633곳과 2024년 12월 시점의 미도입 기업 1만 5,926곳을 견줍니다.

벤처 투자를 받은 비율이 세 배를 넘고, 도입 전부터 인원이 네 배 가까이 빨리 늘고 있었습니다. 연구진은 비교 상대를 나중 도입 기업으로 바꿔 이 차이를 줄였고, 끝내 도입하지 않은 기업과 견준 결과는 참고용으로 따로 실었습니다. 그 비교에서는 고강도 12.6%, 저강도 6.5%로 효과가 더 크게 나오지만, 도입 전 11개월 가운데 8~11개월에서 추세가 어긋났습니다. 선호하는 설계에서도 고강도 기업의 전체 인원 추정치는 도입 전 11개월 중 3개월에서 추세 경고가 떴습니다.

고강도 기업의 모습은 따로 보면 더 뚜렷합니다. 도입 직전 평균 인원이 26.7명으로 저강도 기업(193.4명)의 7분의 1이고, 평균 연봉은 12만 5,683달러로 세 집단 가운데 가장 높으며, 63.8%가 정보·금융·전문 서비스 업종입니다. 직원당 지출로 강도를 재면 같은 금액을 써도 직원이 적은 회사의 값이 커집니다. 평균 26.7명인 회사에서 인원 10%는 두세 명입니다.

카라지안은 이 점을 소기업의 고정비로 설명했습니다. 소기업은 AI를 도입할 확률이 낮지만, 일단 도입하면 더 강하게 씁니다. 따로 엔지니어링팀이나 재무팀이 없는 회사에서 AI가 소프트웨어를 만들고 행정과 분석, 고객 지원을 맡으면, 예전에는 사람을 새로 뽑아야 열 수 있던 사업을 시작할 수 있다는 설명입니다. 그는 누가 투자했느냐가 어느 업종이냐보다 도입을 더 잘 예측하고, 캘리포니아의 테크 기업이 비슷한 뉴욕 기업보다 AI를 쓸 가능성이 높다며 AI가 인맥을 따라 퍼진다고 덧붙였습니다.

유의한 섹터는 정보 하나였습니다

업종을 나눠 다시 추정하자 통계적으로 유의한 증가는 소프트웨어·인터넷·미디어를 묶은 정보 섹터 하나에서만 나왔습니다. 정보 섹터 고강도 기업의 인원 증가는 13.4%였고 도입 전 추세 경고도 없었습니다. 전문·기술 서비스는 약 7%로 양수였지만 유의하지 않았고, 도입률 2위인 금융·보험의 고강도 기업은 -3.0%로 오히려 음수였습니다(유의하지 않음).

도입률도 같은 쪽으로 쏠립니다. 직원 10명 미만 기업의 지속 도입률은 14.3%, 250~999명 기업은 41.5%였고, 엔지니어가 한 명도 없는 회사는 11.8%, 엔지니어 비중이 30~50%인 회사는 38.5%였습니다. 논문은 코딩 에이전트와 소프트웨어 개발 업무에서 AI의 상업적 효과가 가장 먼저 무르익었고, 주력 제품을 더 싸고 빠르게 만들 수 있게 되면 엔지니어링팀을 넘어 회사 전체를 키울 이유가 생긴다고 설명했습니다.

저자들이 붙인 조건과 다음 계획

연구진은 이 결과를 상관관계로만 해석하고 인과는 주장하지 않았습니다. AI 지출과 채용이 함께 움직였다는 것까지 확인했고, 어떤 운영 방식이 성장을 만들었는지는 모른다고 했습니다. 제품 개발 가속, 영업 생산성, 고객 지원 자동화, 새 사업 같은 후보를 늘어놓은 뒤 이렇게 덧붙였습니다.

우리는 모릅니다. 그리고 그 방법을 알아낸 회사들은 어떻게 했는지 공유할 이유가 없습니다.— 카라지안·사이먼·스티븐스, 논문 결론

결론에는 연구자 바깥의 독자에게 건네는 조언도 있습니다. 노동시장에 막 들어서는 젊은 사람이라면 다른 조건이 비슷한 두 회사 가운데 AI를 쓰는 쪽을 고르고, AI가 엔지니어 일자리를 없앨까 걱정하는 엔지니어라면 AI 도입 기업이 엔지니어를 더 빨리 뽑고 있다는 점을 보고, 최고경영자가 해고를 AI 탓으로 돌리는 기사를 읽을 때는 의심하라는 내용입니다. 카라지안은 편지에서 AI를 써 봤지만 효과를 못 본 사업주에게 학습 곡선과 최소 강도가 있으니 계속해 보라고 썼습니다.

남은 과제도 논문에 적혀 있습니다. 효과가 정보 섹터에 몰려 있으니 다음 과제는 코드 중심으로 일하지 않는 회사와 기술 인력이 적은 사용자를 위한 도구이고, 벤처 투자나 창업자 인맥이 없는 회사가 뒤처질 수 있으니 정부가 어떤 역할을 할지가 정책 과제입니다. 연구진은 새 도입 코호트와 24개월을 넘는 관찰 기간으로 추정치를 계속 고치겠다고 밝혔고, 카라지안은 이것이 자신의 마지막 논문은 아닐 것이라고 썼습니다.

한국 기업에 이 논문의 숫자를 그대로 옮길 수는 없습니다. 표본은 Ramp로 결제하는 미국 회사이고 기술 친화적인 회사로 기울어 있습니다. 대신 측정 방식은 그대로 가져다 쓸 수 있습니다. 전사 계정을 열어 둔 회사와 직원당 월 수십 달러를 꾸준히 쓰는 회사를 같은 「도입 기업」으로 묶으면 평균이 흐려지고, 효과는 도입 6~12개월 뒤에야 보이기 시작했습니다. 다음 업데이트에서 볼 숫자는 정보 섹터에서만 유의했던 증가가 다른 업종으로 번지는지, 그리고 직원 10명 미만 기업의 도입률 14.3%가 오르는지입니다.

읽어 주셔서 고맙습니다.

초이 드림